За да предвидите тези кризи, можете да използвате i прогнозни модели но те се основават на мерки за риска, които често са забавени, остарели или непълни. Проучването на Нюйоркския университет се опита да разбере как да се използват предсказуемите алгоритми по оптимален начин.
Проучването показа, че чрез компилирането на текста на 11,2 милиона статии за страните с хранителна несигурност, публикувани между 1980 г. и 2020 г., и като се възползва от скорошния напредък в deep learning: могат да се получат утешителни резултати. Обработката позволи извличането на високочестотни прекурсори на хранителни кризи, които са интерпретируеми и валидирани от традиционните индикатори за риск.
Алгоритъмът deep learning подчерта, че през периода от юли 2009 г. до юли 2020 г. индикаторите за криза значително подобряват прогнозите в 21 държави с несигурност на храните, до 12 месеца по-рано от базовите модели, които не включват текстова информация.
Проучването се фокусира върху прогнозата на интегрираната фазова класификация (IPC) за несигурността на храните, публикувана от Мрежа от системи за ранно предупреждение за глад (FEWS NET). Тази класификация е достъпна на областно ниво в 37 продоволствено несигурни държави в Африка, Азия и Латинска Америка и е докладвана четири пъти годишно между 2009 г. и 2015 г. и три пъти годишно след това.
Хранителната несигурност се класифицира според порядъчна скала, състояща се от пет степени: ниска, стрес, криза, извънредна ситуация и глад.
BlogInnovazione.it
Знаците са отделните елементи на текста. Те могат да бъдат букви, препинателни знаци, цифри, интервали и символи. Всяка дума…
Терминът Smart Lock Market се отнася до индустрията и екосистемата около производството, разпространението и използването...
В софтуерното инженерство моделите на проектиране са оптимални решения на проблеми, които често възникват при проектирането на софтуер. Аз съм като…
Индустриалното маркиране е широк термин, който обхваща няколко техники, използвани за създаване на трайни маркировки върху повърхността на...